CN113344901B - 涂胶缺陷检测方法、装置、存储介质及电子设备 - Google Patents
涂胶缺陷检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113344901B CN113344901B CN202110712626.5A CN202110712626A CN113344901B CN 113344901 B CN113344901 B CN 113344901B CN 202110712626 A CN202110712626 A CN 202110712626A CN 113344901 B CN113344901 B CN 113344901B
- Authority
- CN
- China
- Prior art keywords
- area
- position information
- gluing
- target
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及涂胶缺陷检测方法、装置、存储介质及电子设备。该方法包括获取目标图像,上述目标图像包括工件的涂胶区域;基于深度神经网络对上述目标图像进行处理,得到上述涂胶区域的预测位置信息;获取上述涂胶区域的标准位置信息;根据上述预测位置信息和标准位置信息,得到涂胶缺陷检测结果。本公开可以基于深度神经网络对目标图像进行自动分割,确定预测位置信息,进而根据该预测位置信息自动快速判断出涂胶缺陷,实现了涂胶缺陷检测的智能化、自动化,并且保证涂胶缺陷检测的准确度。
Description
技术领域
本公开涉及涂胶缺陷检测领域,尤其涉及涂胶缺陷检测方法、装置、存储介质及电子设备。
背景技术
涂胶技术在工业中应用广泛,例如油底盒涂胶,飞轮壳涂胶等。相关技术中大多依赖于人工或传统算法对于涂胶缺陷进行检测,检测效率低,并且漏检概率高。以发动机油底盒涂胶为例,由于胶混合的过程会混有气泡,因此可能会产生断胶、孔胶、过细等涂胶缺陷。发动机油底盒的涂胶缺陷对于车辆质量产生较大影响,可能因为对其涂胶缺陷的检测效率低和漏检率高而产生高昂的维修费用。
发明内容
为了解决上述至少一个技术问题,本公开提出了一种涂胶缺陷检测的技术方案。
根据本公开的第一方面,提供了一种涂胶缺陷检测方法,所述方法包括:获取目标图像,所述目标图像包括工件的涂胶区域;基于深度神经网络对所述目标图像进行处理,得到所述涂胶区域的预测位置信息;获取所述涂胶区域的标准位置信息;根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果。基于上述配置,可以基于深度神经网络对目标图像进行自动处理,确定预测位置信息,进而根据该预测位置信息自动快速判断出涂胶缺陷,实现了涂胶缺陷检测的智能化、自动化,并且保证涂胶缺陷检测的准确度。
在一些可能的实施方式中,所述工件为发动机油底盒,所述获取所述涂胶区域的标准位置信息,包括:确定所述发动机油底盒对应的型号信息;根据所述型号信息确定所述发动机油底盒对应的标准图像;基于所述标准图像中的涂胶区域,确定所述标准位置信息。基于上述配置,可以根据型号信息确定对应的标准位置信息,基于该标准位置信息可对目标图像中的涂胶区域进行检测,得到涂胶缺陷检测结果,从而对各种型号的发动机油底盒都可以进行涂胶缺陷检测。
在一些可能的实施方式中,所述根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果,包括:根据所述标准位置信息,得到第一区域和第二区域,所述第一区域表征所述目标图像中需要涂胶的位置形成的区域,所述第二区域表征所述目标图像中除所述第一区域外,其它允许涂胶的位置形成的区域;根据所述预测位置信息确定所述涂胶区域对所述第一区域的第一覆盖情况,以及所述涂胶区域对所述第二区域的第二覆盖情况;根据所述第一覆盖情况和第二覆盖情况,得到所述涂胶缺陷检测结果。基于上述配置,通过对所述第一覆盖情况和第二覆盖情况进行分析,可以得到所述涂胶缺陷检测结果。
在一些可能的实施方式中,所述根据所述第一覆盖情况和第二覆盖情况,得到所述涂胶缺陷检测结果,至少包括以下一种情况:若所述第一覆盖情况表征所述第一区域被完全覆盖,并且所述第二覆盖情况表征所述第二区域被完全覆盖,则判定不存在涂胶缺陷;若所述第一覆盖情况表征所述第一区域被部分覆盖,则判定存在一类缺陷;若所述第一覆盖情况表征所述第一区域被完全覆盖,并且所述第二覆盖情况表征所述第二区域被部分覆盖,则判定存在二类缺陷。基于上述配置,可以根据所述第一覆盖情况和第二覆盖情况,快速准确地判断是否存在涂胶缺陷以及得到涂胶缺陷的分类结果。
在一些可能的实施方式中,所述根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果,包括:根据所述标准位置信息,确定所述涂胶区域的目标数量;根据所述预测位置信息,确定所述涂胶区域的预测数量;若所述预测数量大于所述目标数量,判定存在断胶缺陷。基于上述配置,可以根据目标数量和预测数量,检测出导致涂胶区域增多的断胶缺陷。
在一些可能的实施方式中,所述根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果,至少包括以下一种情况:若所述预测位置信息表征存在第一对象,则判定存在过细缺陷,所述第一对象的最小宽度小于第一阈值;若所述预测位置信息表征存在第二对象,则判定存在孔胶缺陷,所述第二对象的外轮廓与圆形的相似度高于第二阈值,其中,所述第一阈值和所述第二阈值基于所述标准位置信息确定。基于上述配置,可以通过对预测位置信息进行分析,快速确定过细缺陷和孔胶缺陷。
在一些可能的实施方式中,所述获取目标图像,包括:获取至少一个待检测图像;计算各个所述待检测图像的清晰度;确定至少一个目标待检测图像,所述目标待检测图像为清晰度符合预设要求的所述待检测图像;基于所述目标待检测图像,得到所述目标图像。基于上述配置,可以得到符合深度神经网络对输入图像的要求的目标图像,从而可以基于深度神经网络对所述目标图像进行处理,进而得到涂胶缺陷检测结果。
在一些可能的实施方式中,所述深度神经网络包括特征提取网络、融合网络和分割网络,所述基于深度神经网络对所述目标图像进行处理,得到所述涂胶区域的预测位置信息,包括:基于所述特征提取网络对所述目标图像进行多尺度特征提取,得到多个层级的第一特征;基于所述融合网络对所述第一特征进行融合,得到目标融合结果;基于所述分割网络对所述目标融合结果进行分割处理,得到所述预测位置信息。基于上述配置,可以通过深度神经网络对目标图像进行准确地分割,得到高准确度的预测位置信息。
在一些可能的实施方式中,所述基于所述融合网络对所述第一特征进行融合,得到目标融合结果,包括:按照层级递增顺序,对所述第一特征进行融合,得到多个层级的第二特征;按照层级递减顺序,对所述第二特征进行融合,得到第一融合结果;根据所述第一融合结果,得到所述目标融合结果。基于上述配置,可以基于第一特征进行融合,得到融合结果。融合结果包含较为丰富的特征信息,基于该融合结果进行分割,可以提升分割准确度。
在一些可能的实施方式中,所述根据所述第一融合结果,得到所述目标融合结果,包括:对所述第一融合结果中多个层级的第三特征进行基于特征的融合,得到第三融合结果;将所述第三融合结果作为所述目标融合结果。
在一些可能的实施方式中,所述根据所述第一融合结果,得到所述目标融合结果,包括:对所述第一融合结果中多个层级的第三特征进行基于特征的融合,得到第三融合结果;对所述第三特征进行基于像素的融合,得到第四融合结果;融合所述第三融合结果和所述第四融合结果,得到所述目标融合结果。
在一些可能的实施方式中,所述方法还包括:获取第一样本图像,所述第一样本图像携带有需要分割的涂胶区域的位置标注信息;基于所述特征提取网络对所述第一样本图像进行多尺度特征提取,得到多个层级的第一样本特征;基于所述融合网络对所述第一样本特征进行融合,得到目标样本融合结果;基于所述分割网络对所述目标样本融合结果进行分割处理,得到样本预测位置信息;根据所述样本预测位置信息和所述位置标注信息,计算分割损失;根据所述分割损失,调整所述特征提取网络、融合网络和分割网络的参数。基于上述配置,可以对深度神经网络进行训练,使得该深度神经网络具备稳定精准分割出涂胶区域的能力。
在一些可能的实施方式中,所述方法还包括:根据所述预测位置信息,判断是否存在目标涂胶区域,所述目标区域为漏分割或误分割的涂胶区域;若存在,则根据所述目标涂胶区域得到第二样本图像;确定所述第二样本图像对应的位置标注信息;基于所述第二样本图像以及所述第二样本图像对应的位置标注信息,更新所述深度神经网络。基于上述配置,通过不断优化深度神经网络可以提升分割精度,降低误分割或漏分割的概率。
在一些可能的实施方式中,所述方法还包括:根据所述预测位置信息,生成预测涂胶区域;将所述预测涂胶区域显示在所述目标图像上。基于上述配置,可以便于相关工作人员了解涂胶区域的形态以及分析涂胶缺陷。
根据本公开的第二方面,提供了一种涂胶缺陷检测装置,所述装置包括:目标图像获取模块,用于获取目标图像,所述目标图像包括工件的涂胶区域;图像处理模块,用于基于深度神经网络对所述目标图像进行处理,得到所述涂胶区域的预测位置信息;标准位置信息获取模块,用于获取所述涂胶区域的标准位置信息;检测结果获取模块,用于根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果。
在一些可能的实施方式中,所述工件为发动机油底盒,所述标准位置信息获取模块,包括:型号信息确定单元,用于确定所述发动机油底盒对应的型号信息;标准图像确定单元,用于根据所述型号信息确定所述发动机油底盒对应的标准图像;标准位置信息确定单元,用于基于所述标准图像中的涂胶区域,确定所述标准位置信息。
在一些可能的实施方式中,所述检测结果获取模块,包括:区域确定单元,用于根据所述标准位置信息,得到第一区域和第二区域,所述第一区域表征所述目标图像中需要涂胶的位置形成的区域,所述第二区域表征所述目标图像中除所述第一区域外,其它允许涂胶的位置形成的区域;覆盖情况获取单元,用于根据所述预测位置信息确定所述涂胶区域对所述第一区域的第一覆盖情况,以及所述涂胶区域对所述第二区域的第二覆盖情况;缺陷确定单元,用于根据所述第一覆盖情况和第二覆盖情况,得到所述涂胶缺陷检测结果。
在一些可能的实施方式中,所述缺陷确定单元,用于在至少以下一种情况下确定缺陷:若所述第一覆盖情况表征所述第一区域被完全覆盖,并且所述第二覆盖情况表征所述第二区域被完全覆盖,则判定不存在涂胶缺陷;若所述第一覆盖情况表征所述第一区域被部分覆盖,则判定存在一类缺陷;若所述第一覆盖情况表征所述第一区域被完全覆盖,并且所述第二覆盖情况表征所述第二区域被部分覆盖,则判定存在二类缺陷。
在一些可能的实施方式中,所述检测结果获取模块,包括:目标数量获取单元,用于根据所述标准位置信息,确定所述涂胶区域的目标数量;预测数量获取单元,用于根据所述预测位置信息,确定所述涂胶区域的预测数量;所述缺陷确定单元还用于若所述预测数量大于所述目标数量,判定存在断胶缺陷。
在一些可能的实施方式中,所述缺陷确定单元,还用于在至少以下一种情况下确定缺陷:若所述预测位置信息表征存在第一对象,则判定存在过细缺陷,所述第一对象的最小宽度小于第一阈值;若所述预测位置信息表征存在第二对象,则判定存在孔胶缺陷,所述第二对象的外轮廓与圆形的相似度高于第二阈值,其中,所述第一阈值和所述第二阈值基于所述标准位置信息确定。
在一些可能的实施方式中,所述目标图像获取模块,包括:待检测图像获取单元,用于获取至少一个待检测图像;清晰度计算单元,用于计算各个所述待检测图像的清晰度;目标待检测图像确定单元,用于确定至少一个目标待检测图像,所述目标待检测图像为清晰度符合预设要求的所述待检测图像;目标图像确定单元,用于基于所述目标待检测图像,得到所述目标图像。
在一些可能的实施方式中,所述深度神经网络包括特征提取网络、融合网络和分割网络,所述图像处理模块,包括:特征提取单元,用于基于所述特征提取网络对所述目标图像进行多尺度特征提取,得到多个层级的第一特征;融合单元,用于基于所述融合网络对所述第一特征进行融合,得到目标融合结果;分割单元,用于基于所述分割网络对所述目标融合结果进行分割处理,得到所述预测位置信息。
在一些可能的实施方式中,所述融合单元,包括:第一融合子单元,用于按照层级递增顺序,对所述第一特征进行融合,得到多个层级的第二特征;第二融合子单元,用于按照层级递减顺序,对所述第二特征进行融合,得到第一融合结果;目标融合子单元,用于根据所述第一融合结果,得到所述目标融合结果。
在一些可能的实施方式中,所述目标融合子单元用于对所述第一融合结果中多个层级的第三特征进行基于特征的融合,得到第三融合结果;将所述第三融合结果作为所述目标融合结果。
在一些可能的实施方式中,所述目标融合子单元用于对所述第一融合结果中多个层级的第三特征进行基于特征的融合,得到第三融合结果;对所述第三特征进行基于像素的融合,得到第四融合结果;融合所述第三融合结果和所述第四融合结果,得到所述目标融合结果。
在一些可能的实施方式中,所述装置还包括训练模块,用于获取第一样本图像,所述第一样本图像携带有需要分割的涂胶区域的位置标注信息;基于所述特征提取网络对所述第一样本图像进行多尺度特征提取,得到多个层级的第一样本特征;基于所述融合网络对所述第一样本特征进行融合,得到目标样本融合结果;基于所述分割网络对所述目标样本融合结果进行分割处理,得到样本预测位置信息;根据所述样本预测位置信息和所述位置标注信息,计算分割损失;根据所述分割损失,调整所述特征提取网络、融合网络和分割网络的参数。
在一些可能的实施方式中,所述装置还包括优化模块,用于根据所述预测位置信息,判断是否存在目标涂胶区域,所述目标区域为漏分割或误分割的涂胶区域;若存在,则根据所述目标涂胶区域得到第二样本图像;确定所述第二样本图像对应的位置标注信息;基于所述第二样本图像以及所述第二样本图像对应的位置标注信息,更新所述深度神经网络。
在一些可能的实施方式中,所述装置还包括显示模块,用于根据所述预测位置信息,生成预测涂胶区域;将所述预测涂胶区域显示在所述目标图像上。
根据本公开的第三方面,还提供了一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面任意一项所述的一种涂胶缺陷检测方法。
根据本公开的第四方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现第一方面任意一项所述的一种涂胶缺陷检测方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1示出根据本公开实施例的一种涂胶缺陷检测方法的流程示意图;
图2示出根据本公开实施例的目标图像获取方法的流程示意图;
图3示出根据本公开实施例的涂胶缺陷检测方法步骤S40的流程示意图;
图4示出根据本公开实施例的发动机油底盒孔胶缺陷示意图;
图5示出根据本公开实施例的涂胶缺陷检测方法步骤S40的另一流程示意图;
图6示出根据本公开实施例的发动机油底盒断胶缺陷示意图;
图7示出根据本公开实施例的深度神经网络结构示意图;
图8示出根据本公开实施例的涂胶缺陷检测方法中步骤S20的流程示意图;
图9示出根据本公开实施例优化深度神经网络的方法流程示意图;
图10示出根据本公开实施例的一种涂胶缺陷检测装置的框图;
图11示出根据本公开实施例的一种电子设备的框图;
图12示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本公开实施例提供的涂胶缺陷检测方法可以由终端设备、服务器或其它类型的电子设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonaL1 DigitaL1 Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该涂胶缺陷检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以电子设备作为执行主体为例对本公开实施例的涂胶缺陷检测方法进行说明。该涂胶缺陷检测方法以通过处理器调用存储器中存储的计算机可读指令的方式来实现。本公开实施例并不限定涂胶缺陷检测的对象,比如,可以检测发动机油底盒涂胶缺陷、飞轮壳涂胶缺陷等。
图1示出根据本公开实施例的一种涂胶缺陷检测方法的流程示意图,如图1所示,上述方法包括:
S10:获取目标图像,上述目标图像包括工件的涂胶区域。
在一些可能的实施方式中,可以通过电子设备获取目标图像。或者,电子设备可以从其他设备处获取目标图像,例如,电子设备可以从摄像设备、监控设备、拍照设备等处获取上述目标图像。本公开实施例并不限定目标图像的数量,该电子设备可以处理单个目标图像,或并行处理多个目标图像。本公开实施例并不对工件的类型进行限定,下文均以发动机油底盒为例进行详述。
由于对发动机油底盒的涂胶区域进行拍摄得到的图像的质量可以影响基于该图像得到的涂胶缺陷检测结果的准确度,故可以通过图像筛选,得到质量较高的目标图像,从而提升涂胶缺陷检测的准确度。
请参考图2,其示出根据本公开实施例的目标图像获取方法的流程示意图。上述获取目标图像,包括:
S11:获取至少一个待检测图像。
本公开实施例中待检测图像为对上述发动机油底盒的涂胶区域进行拍摄所得到的图像。本公开实施例并不限定上述待检测图像的数量。
S12:计算各个上述待检测图像的清晰度。
本公开实施例并不限定清晰度的计算方法。示例性的,可以将上述每个图像输入预设的神经网络,得到该图像的清晰度确定结果。该预设的神经网络可以从图像纹理特征和图像语义特征的角度对图像进行综合评估,输出该图像的清晰度得分。
S13:确定至少一个目标待检测图像,上述目标待检测图像为清晰度符合预设要求的上述待检测图像。
本公开实施例并不限定确定目标待检测图像的具体方法。在一个实施例中,可以将清晰度最高的待检测图像确定为该目标待检测图像。在另一个实施例中,还可以将清晰度高于预设的清晰度阈值的待检测图像作为该目标待检测图像。本公开实施例并不对上述清晰度阈值进行限定,可以根据实际需要进行设置。
S14:基于上述目标待检测图像,得到上述目标图像。
本公开实施例可以通过深度神经网络对上述目标图像进行处理,并根据处理结果得到涂胶缺陷检测结果。本步骤中可以根据上述深度神经网络对输入图像的要求对上述目标待检测图像进行处理,得到对应的上述目标图像。示例性的,可以根据该深度神经网络对输入图像的大小要求,对上述目标待检测图像进行裁剪处理和/或放缩处理,得到上述目标图像,也可以根据该深度神经网络对输入图像的颜色要求,对上述目标待检测图像进行颜色转化处理,得到上述目标图像。本公开实施例并不限定对上述目标待检测图像的具体处理方案。
基于上述配置,可以得到符合深度神经网络对输入图像的要求的目标图像,从而可以基于深度神经网络对上述目标图像进行处理,最终得到涂胶缺陷检测结果。
S20:基于深度神经网络对上述目标图像进行处理,得到上述涂胶区域的预测位置信息。
本公开实施例中,可以基于上述深度神经网络对目标图像进行分割处理,从而将上述目标图像中的涂胶区域分割出来,将分割结果表达为上述预测位置信息。具体地,可以将预测出的涂胶区域从上述目标图像中提取出来、划分出来或者剪切出来。在另一个可行的实施例中,也可以对目标图像进行区域识别处理,识别出该目标图像中的涂胶区域,得到预测位置信息。
本公开实施例并不限定上述预设位置信息的表达方式,示例性的,该预设位置信息可以被表达为向量或矩阵。本公开实施例并不限定发动机油底盒的涂胶区域的数量,相应的,该预测位置信息中也可以包括一个或多个涂胶区域的位置信息。
S30:获取上述涂胶区域的标准位置信息。
本公开实施例中上述标准位置信息表征理想情况下上述发动机油底盒的涂胶区域的位置信息。对于不同的发动机油底盒,可以有不同的涂胶方式,也相应的,得到不同的涂胶区域。
在一个实施例中,上述获取上述涂胶区域的标准位置信息,包括:
S31:确定上述发动机油底盒对应的型号信息。
不同型号的发动机油底盒可能对应不同的涂胶区域,本公开实施例中首先确定该发动机油底盒的型号信息。本公开实施例并不限定型号信息的确定方法。在一个实施例中,可以获取测试人员录入的型号信息。在另一个实施例中,还可以扫描该发动机油底盒的标识码得到其对应的型号信息,标识码可以被置于发动机油底盒表面,也可以被置于其它位置,该标识码可以是条形码或二维码,本公开对于标识码的放置位置和表达形式不做限定。在其它可行的实施例中,还可以基于训练好的神经网络对发动机油底盒进行型号识别,本公开实施例对于该神经网络不做限定。
S32:根据上述型号信息确定上述发动机油底盒对应的标准图像。
本公开实施例中上述标准图像中的涂胶区域为理想状态下与上述型号信息适配的发动机油底盒的涂胶区域。
S33:基于上述标准图像中的涂胶区域,确定上述标准位置信息。
本公开实施例并不限定确定上述标准位置信息的具体方法。在一个实施例中,可以由人工标注出上述标准图像中的涂胶区域,标注结果表征上述标准位置信息。在另一个实施例中,也可以将上述标准图像输入上述深度神经网络,由上述深度神经网络分割出上述标准图像中的上述涂胶区域,得到的分割结果表征上述标准位置信息。
基于上述配置,可以根据型号信息确定对应的标准位置信息,基于该标准位置信息可对目标图像中的涂胶区域进行检测,得到涂胶缺陷检测结果,从而对各种型号的发动机油底盒都可以进行涂胶缺陷检测。
S40:根据上述预测位置信息和标准位置信息,得到涂胶缺陷检测结果。
本公开实施例中通过对比上述预测位置信息和标准位置信息,即可得到上述涂胶缺陷检测结果。本公开实施例并不限定具体的对比方式。示例性的,可以计算上述预测位置信息与上述标准位置信息之间的相似度,粗略判断涂胶情况,得到初步的涂胶缺陷检测结果。
在一个实施例中,请参考图3,其示出根据本公开实施例的涂胶缺陷检测方法步骤S40的流程示意图。上述根据上述预测位置信息和标准位置信息,得到涂胶缺陷检测结果,包括:
S41:根据上述标准位置信息,得到第一区域和第二区域,上述第一区域表征上述目标图像中需要涂胶的位置形成的区域,上述第二区域表征上述目标图像中除上述第一区域外,其它允许涂胶的位置形成的区域。
发动机油底盒的一些需要涂胶的关键部位形成的区域为关键区域,而对于一些可选择进行涂胶的非关键部位形成的区域为非关键区域。关键区域的涂胶效果对于发动机油底盒的质量影响较大,相对的,非关键区域的涂胶效果相对影响较小。本公开实施例中,该关键区域在上述目标图像中对应的区域即为该第一区域,该非关键区域在上述目标图像中对应的区域即为该第二区域。
S43:根据上述预测位置信息确定上述涂胶区域对上述第一区域的第一覆盖情况,以及上述涂胶区域对上述第二区域的第二覆盖情况。
本公开实施例中若上述预测位置信息表征的涂胶区域覆盖了上述第一区域的全部位置,则该第一覆盖情况表征上述第一区域被完全覆盖;反之,上述第一覆盖情况表征上述第一区域被部分覆盖。
若上述预测位置信息表征的涂胶区域覆盖了上述第二区域的全部位置,则该第二覆盖情况表征上述第二区域被完全覆盖;反之,上述第二覆盖情况表征上述第二区域被部分覆盖。
S45:根据上述第一覆盖情况和第二覆盖情况,得到上述涂胶缺陷检测结果。
本公开实施例中通过对上述第一覆盖情况和第二覆盖情况进行分析,可以得到上述涂胶缺陷检测结果。本公开实施例并不限定具体的分析方法。本公开实施例可以在下述的至少一种情况下,确定涂胶缺陷。
在一个实施例中,若上述第一覆盖情况表征上述第一区域被完全覆盖,并且上述第二覆盖情况表征上述第二区域被完全覆盖,则判定不存在涂胶缺陷。当第一区域和第二区域都被完全覆盖时,可以认为涂胶结果达到涂胶要求,这种情况可以认为不存在涂胶缺陷。
若上述第一覆盖情况表征上述第一区域被部分覆盖,则判定存在一类缺陷。第一区域未被完全覆盖,可能影响到发动机油底盒的质量,故一类缺陷是较为严重的缺陷,若被判定为一类缺陷,还可以进一步判断缺陷类型,上述缺陷类型可以是孔胶缺陷、断胶缺陷或过细缺陷。
若上述第一覆盖情况表征上述第一区域被完全覆盖,并且上述第二覆盖情况表征上述第二区域被部分覆盖,则判定存在二类缺陷。只有第二区域未被完全覆盖的情况下,对发动机油底盒的质量影响不大,故二类缺陷是不甚严重的缺陷。这种情况下可以根据具体的涂胶缺陷检测要求,选择判断缺陷类型或不判断缺陷类型。
基于上述配置,可以根据上述第一覆盖情况和第二覆盖情况,快速准确地判断是否存在涂胶缺陷以及得到涂胶缺陷的分类结果。
在一个实施例中,还可以对上述预测位置信息进行分析,检测到一些特定类型的涂胶缺陷。示例性的,若上述预测位置信息表征存在第一对象,则判定存在过细缺陷,上述第一对象的最小宽度小于第一阈值。在发动机油底盒涂胶场景中涂胶区域为细长条形的连通区域,若该连通区域的宽度过细,则可能导致涂胶效果下降。本公开中可以对于上述预测位置信息表征的涂胶区域进行切割,每个切割结果对应一个对象。对于任意一个对象,若上述对象的最小宽度小于上述第一阈值,则将上述对象确定为第一对象。若存在第一对象,则说明存在过细缺陷。本公开实施例中并不限定上述第一阈值的具体数值,可以根据上述标准位置信息确定。
在一个实施例中,若上述预测位置信息表征存在第二对象,则判定存在孔胶缺陷,上述第二对象的外轮廓与圆形的相似度高于第二阈值。在对发动机油底盒进行涂胶作业的过程中,若涂胶元件经过孔洞,则形成孔胶。参考图4,其示出根据本公开实施例的孔胶缺陷示意图。从图4可以看出,孔胶缺陷所在位置的外轮廓类似圆形。本公开实施例中若上述预测位置信息表征的涂胶区域中存在外轮廓类似圆形的位置,则说明存在孔胶缺陷。本公开实施例并不对上述第二阈值进行限定,可以根据上述标准位置信息确定。
基于上述配置,可以通过对预测位置信息进行分析,快速确定过细缺陷和孔胶缺陷。
在一个实施例中,可以根据上述第一覆盖情况和第二覆盖情况,进行缺陷类型的检测。请参考图5,其示出根据本公开实施例的涂胶缺陷检测方法步骤S40的另一流程示意图。上述根据上述预测位置信息和标准位置信息,得到涂胶缺陷检测结果,包括:
S42.根据上述标准位置信息,确定上述涂胶区域的目标数量。
由于发动机油底盒涂胶场景中涂胶区域为细长条形的连通区域,上述目标数量表征根据上述标准位置信息得到的连通区域的数量。
S44.根据上述预测位置信息,确定上述涂胶区域的预测数量。
相应的,上述预测数量表征根据上述预测位置信息得到的连通区域的数量。
S46.若上述预测数量大于上述目标数量,判定存在断胶缺陷。
请参考图6,其示出根据本公开实施例的发动机油底盒断胶缺陷示意图。断胶导致原本连通的细长条形的涂胶区域被隔断,这种情况下可能造成深度神经网络分割出的涂胶区域的数量的增多。示例性的,理想状态下发动机油底盒存在涂胶区域A和涂胶区域B,故目标数量为2。在实际涂胶过程中,涂胶区域B由于出现断胶形成了涂胶区域B1和B2,而涂胶区域A并未发生断胶,故预测数量为3。预测数量大于目标数量,可以判定存在断胶缺陷。
基于上述配置,可以根据目标数量和预测数量,检测出导致涂胶区域增多的断胶缺陷。
本公开实施例中可以判断出一类缺陷、二类缺陷、孔胶缺陷、过细缺陷和/或断胶缺陷。在一个实施例中,还可以将上述预测位置信息传输至业务平台,由该业务平台结合具体的业务场景进行更为精准的涂胶缺陷检测。也可以将上述预测位置信息存储在日志之中,便于对该目标图像的涂胶缺陷检测过程进行复盘。还可以基于上述预测位置信息和/或上述涂胶缺陷检测结果,生成检测报告,将该检测报告传输至相关工作人员的电子设备或传输至上述业务***。
在一个实施例中,还对上述预测位置信息进行可视化表达,可以将该预测位置信息对应的预测涂胶区域显示在该目标图像上,以便于用户可以对该预测涂胶区域和实际的涂胶区域进行比较。为了进一步区分该预测涂胶区域和实际的涂胶区域,可以对这两种涂胶区域进行不同的可视化表达,比如,采用不同的线型、线宽、颜色、填充方式等。在其他可行的实施方式中,还可以基于标准位置信息确定标准涂胶区域,将该标准涂胶区域以不同于上述两种涂胶区域的表达方式显示在该目标图像上,从而使得用户可以同时比较三种涂胶区域。在另一个实施例中,还可以将显示结果传输至相关工作人员的电子设备或传输至上述业务***。便于相关工作人员了解涂胶区域的形态以及分析涂胶缺陷。
本公开实施例可以基于深度神经网络对目标图像进行自动分割,确定预测位置信息,进而根据该预测位置信息自动快速判断出涂胶缺陷,实现了涂胶缺陷检测的智能化、自动化,并且保证涂胶缺陷检测的准确度。
本公开实施例并不限定深度神经网络的具体结构,其可以根据全卷积神经网络(Fully Convolution Networks,FCN)、深度卷积神经网络(Deep Convolution NeuralNetwork,DCNN)、掩码-区域卷积神经网络(Mask-Region Convolutional NeuralNetworks,Mask-RCNN)中的至少一种设计得到。
在一个实施例中,可以参考图7,其示出根据本公开实施例的深度神经网络结构示意图。上述深度神经网络包括特征提取网络、融合网络和分割网络。其中,上述特征提取网络为金字塔结构,以便于提取出多尺度的特征信息。请参考图8,其示出根据本公开实施例的涂胶缺陷检测方法中步骤S20的流程示意图。上述基于深度神经网络对上述目标图像进行处理,得到上述涂胶区域的预测位置信息,包括:
S21.基于上述特征提取网络对上述目标图像进行多尺度特征提取,得到多个层级的第一特征。
特征提取网络可通过自上而下的通道和横向的连接来扩展形成一个标准的卷积网络,从而可以从单一分辨率的目标图像中有效提取出丰富的、多尺度的特征信息(第一特征)。其中,特征提取网络仅简单示意出3层,而在实际应用中,特征提取网络可以包括4层甚至更多。特征提取网络中的下采样网络层可以输出各个尺度的第一特征,该下采样网络层事实上是实现特征聚合功能的相关的网络层的总称,具体地,该下采样网络层可以为最大池化层、平均池化层等,本公开实施例并不限定下采样网络层的具体结构。
S22.基于上述融合网络对上述第一特征进行融合,得到目标融合结果。
在一个实施例中,上述基于上述融合网络对上述第一特征进行融合,得到目标融合结果,包括:
S221.按照层级递增顺序,对上述第一特征进行融合,得到多个层级的第二特征。
本公开实施例中特征提取网络不同层提取到的第一特征具备不同尺度,按照层级递增顺序,可以对上述第一特征进行融合,得到多个层级的第二特征。示例性的,请参考图7,上述特征提取网络可以包括三个特征提取层,按照层级递增顺序,依次输出第一特征A1,第一特征B1和第一特征C1。本公开实施例并不限定第一特征的表达方式,上述第一特征A1,第一特征B1和第一特征C1可以通过特征图、特征矩阵或特征向量表征。可以对第一特征A1,第一特征B1和第一特征C1顺序融合,得到多个层级的第二特征。本公开实施例并不限定具体的融合对象,在一个实施例中,可以直接由第一特征A1进行自身的通道间信息融合,得到第二特征A2。第一特征A1和第一特征B1可以融合得到第二特征B2。第一特征A1、第一特征B1和第一特征C1可以融合得到第二特征C2。本公开实施例并不限定具体的融合方法,降维、加法、乘法、内积、卷积的至少一种及其组合都可以被用于进行上述融合。
S222.按照层级递减顺序,对上述第二特征进行融合,得到第一融合结果。
本公开实施例中基于不同的特征融合得到的第二特征对应不同层级,也相应的具备不同尺度。按照层级递减顺序,可以对上述第二特征进行融合,得到多个层级的第三特征,各个上述第三特征构成上述第一融合结果。
示例性的,可以对上文得到的第二特征C2,第二特征B2和第二特征A2顺序融合,得到多个层级的第三特征。本公开实施例并不限定具体的融合对象,在一个实施例中,可以将第二特征C2和第二特征B2融合得到第三特征A3,第二特征C2,第二特征B2和第二特征A2融合得到第三特征B3。第二特征的融合方法与第一特征的融合方法可以相同或不同,本公开实施例对此不进行限定。
S223.根据上述第一融合结果,得到上述目标融合结果。
在一个实施例中,可以直接对上述第一融合结果中的第三特征进行基于特征的融合,得到第三融合结果,将上述第三融合结果作为上述目标融合结果。本公开实施例并不限定具体的基于特征的融合方法,特征加法、特征乘法、特征通道间加法、特征通道间乘法、卷积的至少一种及其组合都可以被用于进行基于特征的融合。
在一个实施例中,可以对上述第一融合结果中多个层级的第三特征进行基于特征的融合,得到第三融合结果。对上述第三特征进行基于像素的融合,得到第四融合结果。融合上述第三融合结果和上述第四融合结果,得到上述目标融合结果。本公开实施例并不限定基于像素的融合的具体方法,示例性的,可以根据各第三特征进行基于像素的融合,得到每个像素位置对应的目标特征值;由各个上述目标特征值构成上述第四融合结果。本公开实施例并不限定目标特征值的具体获取方法,其可以是各个第三特征在上述像素位置的特征值总和值、特征值平均值或特征值最大值。
本公开实施例可以基于第一特征进行双向融合,得到融合结果,使得融合结果不仅包含较为丰富的特征信息,还包含充分的上下文信息,基于该融合结果进行分割,可以提升分割准确度。
S23.基于上述分割网络对上述目标融合结果进行分割处理,得到上述预测位置信息。
基于上述配置,可以通过深度神经网络对目标图像进行准确地分割,得到高准确度的预测位置信息。
下面对训练上述深度神经网络的过程进行说明,示出训练神经网络的方法,上述方法包括:
S101.获取第一样本图像,上述第一样本图像携带有需要分割的涂胶区域的位置标注信息。
本公开实施例并不限定第一样本图像的数量和获取方法。可以通过丰富第一样本图像的方式,提升深度神经网络的分割能力。
S102.基于上述特征提取网络对上述第一样本图像进行多尺度特征提取,得到多个层级的第一样本特征。
S103.基于上述融合网络对上述第一样本特征进行融合,得到目标样本融合结果。
S104.基于上述分割网络对上述目标样本融合结果进行分割处理,得到样本预测位置信息。
步骤S102-S104与步骤S21-S23基于相同发明构思,在此不再赘述。
S105.根据上述样本预测位置信息和上述位置标注信息,计算分割损失。
样本预测位置信息即为深度神经网络的实际输出,而位置标注信息为深度神经网络的期望输出,通过上述样本预测位置信息和上述位置标注信息计算分割损失,即可获知深度神经网络的实际输出与期望输出的接近程度。具体计算时,可采用预设的损失函数实现。本公开实施例并不对该损失函数进行限定,示例性的,可以使用交叉熵损失函数。
S106.根据上述分割损失,调整上述特征提取网络、融合网络和分割网络的参数。
在一些可行的实施方式中,可以采用反向传播算法,基于分割损失对上述上述特征提取网络、融合网络和分割网络进行联合训练,直至分割损失收敛到预设值。也即,可以根据该分割损失反向调整网络参数,直至该分割损失达到该预设值时,训练结束,确认此时的深度神经网络符合要求,能够对上述目标图像进行分割。本公开中不限定该预设值的具体数值和设定方法。
基于上述配置,可以对深度神经网络进行训练,使得该深度神经网络具备稳定精准分割出涂胶区域的能力。
本公开中的深度神经网络可以进一步通过不断优化提升自身的分割能力。请参考图9,其示出根据本公开实施例优化深度神经网络的方法流程示意图,包括:
S201.根据上述预测位置信息,判断是否存在目标涂胶区域,上述目标区域为漏分割或误分割的涂胶区域。
本公开实施例的预测位置信息为上述深度神经网络在实际应用于发动机油底盒涂胶缺陷检测场景中输出的结果。本公开实施例并不限定目标涂胶区域的发现方法,可以人工发现,也可以基于相关的检测手段发现。
S202.若存在,则根据上述目标涂胶区域得到第二样本图像。
对于目标涂胶区域,本公开实施例可以将该目标涂胶区域所在的目标图像确定为该第二样本图像。
S203.确定上述第二样本图像对应的位置标注信息。
本公开实施例中,该位置标注信息表征该目标涂胶区域的真实位置信息。
S204.基于上述第二样本图像以及上述第二样本图像对应的位置标注信息,更新上述深度神经网络。
本公开实施例中上述第二样本图像以及上述第二样本图像对应的位置标注信息形成了深度神经网络的训练样本,根据该训练样本可以调整该深度神经网络的参数,从而可以使得调整后的该深度神经网络具备正确分割出该目标涂胶区域的能力,通过不断优化深度神经网络可以提升分割精度,降低漏分割或误分割的概率。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了涂胶缺陷检测装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种涂胶缺陷检测方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图10示出根据本公开实施例的一种涂胶缺陷检测装置的框图;如图10所示,上述装置包括:
目标图像获取模块10,用于获取目标图像,上述目标图像包括工件的涂胶区域;
图像处理模块20,用于基于深度神经网络对上述目标图像进行处理,得到上述涂胶区域的预测位置信息;
标准位置信息获取模块30,用于获取上述涂胶区域的标准位置信息;
检测结果获取模块40,用于根据上述预测位置信息和标准位置信息,得到涂胶缺陷检测结果。
在一些可能的实施方式中,上述工件为发动机油底盒,上述标准位置信息获取模块,包括:型号信息确定单元,用于确定上述发动机油底盒对应的型号信息;标准图像确定单元,用于根据上述型号信息确定上述发动机油底盒对应的标准图像;标准位置信息确定单元,用于基于上述标准图像中的涂胶区域,确定上述标准位置信息。
在一些可能的实施方式中,上述检测结果获取模块,包括:区域确定单元,用于根据上述标准位置信息,得到第一区域和第二区域,上述第一区域表征上述目标图像中需要涂胶的位置形成的区域,上述第二区域表征上述目标图像中除上述第一区域外,其它允许涂胶的位置形成的区域;覆盖情况获取单元,用于根据上述预测位置信息确定上述涂胶区域对上述第一区域的第一覆盖情况,以及上述涂胶区域对上述第二区域的第二覆盖情况;缺陷确定单元,用于根据上述第一覆盖情况和第二覆盖情况,得到上述涂胶缺陷检测结果。
在一些可能的实施方式中,上述缺陷确定单元,用于在至少以下一种情况下确定缺陷:若上述第一覆盖情况表征上述第一区域被完全覆盖,并且上述第二覆盖情况表征上述第二区域被完全覆盖,则判定不存在涂胶缺陷;若上述第一覆盖情况表征上述第一区域被部分覆盖,则判定存在一类缺陷;若上述第一覆盖情况表征上述第一区域被完全覆盖,并且上述第二覆盖情况表征上述第二区域被部分覆盖,则判定存在二类缺陷。
在一些可能的实施方式中,上述检测结果获取模块,包括:目标数量获取单元,用于根据上述标准位置信息,确定上述涂胶区域的目标数量;预测数量获取单元,用于根据上述预测位置信息,确定上述涂胶区域的预测数量;上述缺陷确定单元还用于若上述预测数量大于上述目标数量,判定存在断胶缺陷。
在一些可能的实施方式中,上述缺陷确定单元,还用于在至少以下一种情况下确定缺陷:若上述预测位置信息表征存在第一对象,则判定存在过细缺陷,上述第一对象的最小宽度小于第一阈值;若上述预测位置信息表征存在第二对象,则判定存在孔胶缺陷,上述第二对象的外轮廓与圆形的相似度高于第二阈值,其中,上述第一阈值和上述第二阈值基于上述标准位置信息确定。
在一些可能的实施方式中,上述目标图像获取模块,包括:待检测图像获取单元,用于获取至少一个待检测图像;清晰度计算单元,用于计算各个上述待检测图像的清晰度;目标待检测图像确定单元,用于确定至少一个目标待检测图像,上述目标待检测图像为清晰度符合预设要求的上述待检测图像;目标图像确定单元,用于基于上述目标待检测图像,得到上述目标图像。
在一些可能的实施方式中,上述深度神经网络包括特征提取网络、融合网络和分割网络,上述图像处理模块,包括:特征提取单元,用于基于上述特征提取网络对上述目标图像进行多尺度特征提取,得到多个层级的第一特征;融合单元,用于基于上述融合网络对上述第一特征进行融合,得到目标融合结果;分割单元,用于基于上述分割网络对上述目标融合结果进行分割处理,得到上述预测位置信息。
在一些可能的实施方式中,上述融合单元,包括:第一融合子单元,用于按照层级递增顺序,对上述第一特征进行融合,得到多个层级的第二特征;第二融合子单元,用于按照层级递减顺序,对上述第二特征进行融合,得到第一融合结果;目标融合子单元,用于根据上述第一融合结果,得到上述目标融合结果。
在一些可能的实施方式中,上述目标融合子单元用于对上述第一融合结果中多个层级的第三特征进行基于特征的融合,得到第三融合结果;将上述第三融合结果作为上述目标融合结果。
在一些可能的实施方式中,上述目标融合子单元用于对上述第一融合结果中多个层级的第三特征进行基于特征的融合,得到第三融合结果;对上述第三特征进行基于像素的融合,得到第四融合结果;融合上述第三融合结果和上述第四融合结果,得到上述目标融合结果。
在一些可能的实施方式中,上述装置还包括训练模块,用于获取第一样本图像,上述第一样本图像携带有需要分割的涂胶区域的位置标注信息;基于上述特征提取网络对上述第一样本图像进行多尺度特征提取,得到多个层级的第一样本特征;基于上述融合网络对上述第一样本特征进行融合,得到目标样本融合结果;基于上述分割网络对上述目标样本融合结果进行分割处理,得到样本预测位置信息;根据上述样本预测位置信息和上述位置标注信息,计算分割损失;根据上述分割损失,调整上述特征提取网络、融合网络和分割网络的参数。
在一些可能的实施方式中,上述装置还包括优化模块,用于根据上述预测位置信息,判断是否存在目标涂胶区域,上述目标区域为漏分割或误分割的涂胶区域;若存在,则根据上述目标涂胶区域得到第二样本图像;确定上述第二样本图像对应的位置标注信息;基于上述第二样本图像以及上述第二样本图像对应的位置标注信息,更新上述深度神经网络。
在一些可能的实施方式中,上述装置还包括显示模块,用于根据上述预测位置信息,生成预测涂胶区域;将上述预测涂胶区域显示在上述目标图像上。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,上述计算机可读存储介质中存储有至少一条指令或至少一段程序,上述至少一条指令或至少一段程序由处理器加载并执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,上述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图11示出根据本公开实施例的一种电子设备的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图11,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在上述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(L1CD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。上述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与上述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如上述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G、5G或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,上述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PL1D)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图12示出根据本公开实施例的另一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图12,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,L1inuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,上述编程语言包括面向对象的编程语言—诸如SmaL1L1taL1k、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(L1AN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PL1A),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程示意图和/或框图描述了本公开的各个方面。应当理解,流程示意图和/或框图的每个方框以及流程示意图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程示意图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程示意图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程示意图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程示意图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程示意图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程示意图中的每个方框、以及框图和/或流程示意图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (13)
1.一种涂胶缺陷检测方法,其特征在于,所述方法包括:
获取目标图像,所述目标图像包括工件的涂胶区域;
基于深度神经网络对所述目标图像进行处理,得到所述涂胶区域的预测位置信息;
获取所述涂胶区域的标准位置信息;
根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果;
所述根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果,包括:
根据所述标准位置信息,得到第一区域和第二区域,所述第一区域表征所述目标图像中需要涂胶的位置形成的区域,所述第二区域表征所述目标图像中除所述第一区域外,其它允许涂胶的位置形成的区域;
根据所述预测位置信息确定所述涂胶区域对所述第一区域的第一覆盖情况,以及所述涂胶区域对所述第二区域的第二覆盖情况;
若所述第一覆盖情况表征所述第一区域被完全覆盖,并且所述第二覆盖情况表征所述第二区域被完全覆盖,则判定不存在涂胶缺陷;
若所述第一覆盖情况表征所述第一区域被部分覆盖,则判定存在一类缺陷;
若所述第一覆盖情况表征所述第一区域被完全覆盖,并且所述第二覆盖情况表征所述第二区域被部分覆盖,则判定存在二类缺陷;
所述根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果,还包括:根据所述标准位置信息,确定所述涂胶区域的目标数量;根据所述预测位置信息,确定所述涂胶区域的预测数量;若所述预测数量大于所述目标数量,判定存在断胶缺陷;
若所述预测位置信息表征存在第一对象,则判定存在过细缺陷,所述第一对象的最小宽度小于第一阈值;
若所述预测位置信息表征存在第二对象,则判定存在孔胶缺陷,所述第二对象的外轮廓与圆形的相似度高于第二阈值;
其中,所述第一阈值和所述第二阈值基于所述标准位置信息确定。
2.根据权利要求1所述的方法,其特征在于,所述工件为发动机油底盒,所述获取所述涂胶区域的标准位置信息,包括:
确定所述发动机油底盒对应的型号信息;
根据所述型号信息确定所述发动机油底盒对应的标准图像;
基于所述标准图像中的涂胶区域,确定所述标准位置信息。
3.根据权利要求1或2所述的方法,其特征在于,所述获取目标图像,包括:
获取至少一个待检测图像;
计算各个所述待检测图像的清晰度;
确定至少一个目标待检测图像,所述目标待检测图像为清晰度符合预设要求的所述待检测图像;
基于所述目标待检测图像,得到所述目标图像。
4.根据权利要求1或2所述的方法,其特征在于,所述深度神经网络包括特征提取网络、融合网络和分割网络,所述基于深度神经网络对所述目标图像进行处理,得到所述涂胶区域的预测位置信息,包括:
基于所述特征提取网络对所述目标图像进行多尺度特征提取,得到多个层级的第一特征;
基于所述融合网络对所述第一特征进行融合,得到目标融合结果;
基于所述分割网络对所述目标融合结果进行分割处理,得到所述预测位置信息。
5.根据权利要求4所述的方法,其特征在于,所述基于所述融合网络对所述第一特征进行融合,得到目标融合结果,包括:
按照层级递增顺序,对所述第一特征进行融合,得到多个层级的第二特征;
按照层级递减顺序,对所述第二特征进行融合,得到第一融合结果;
根据所述第一融合结果,得到所述目标融合结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一融合结果,得到所述目标融合结果,包括:
对所述第一融合结果中多个层级的第三特征进行基于特征的融合,得到第三融合结果;
将所述第三融合结果作为所述目标融合结果。
7.根据权利要求5所述的方法,其特征在于,所述根据所述第一融合结果,得到所述目标融合结果,包括:
对所述第一融合结果中多个层级的第三特征进行基于特征的融合,得到第三融合结果;
对所述第三特征进行基于像素的融合,得到第四融合结果;
融合所述第三融合结果和所述第四融合结果,得到所述目标融合结果。
8.根据权利要求4中所述的方法,其特征在于,所述方法还包括:
获取第一样本图像,所述第一样本图像携带有需要分割的涂胶区域的位置标注信息;
基于所述特征提取网络对所述第一样本图像进行多尺度特征提取,得到多个层级的第一样本特征;
基于所述融合网络对所述第一样本特征进行融合,得到目标样本融合结果;
基于所述分割网络对所述目标样本融合结果进行分割处理,得到样本预测位置信息;
根据所述样本预测位置信息和所述位置标注信息,计算分割损失;
根据所述分割损失,调整所述特征提取网络、融合网络和分割网络的参数。
9.根据权利要求4中所述的方法,其特征在于,所述方法还包括:
根据所述预测位置信息,判断是否存在目标涂胶区域,所述目标涂胶区域为漏分割或误分割的涂胶区域;
若存在,则根据所述目标涂胶区域得到第二样本图像;
确定所述第二样本图像对应的位置标注信息;
基于所述第二样本图像以及所述第二样本图像对应的位置标注信息,更新所述深度神经网络。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述预测位置信息,生成预测涂胶区域;
将所述预测涂胶区域显示在所述目标图像上。
11.一种涂胶缺陷检测装置,其特征在于,所述装置包括:
目标图像获取模块,用于获取目标图像,所述目标图像包括工件的涂胶区域;
图像处理模块,用于基于深度神经网络对所述目标图像进行处理,得到所述涂胶区域的预测位置信息;
标准位置信息获取模块,用于获取所述涂胶区域的标准位置信息;
检测结果获取模块,用于根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果;
所述根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果,包括:
根据所述标准位置信息,得到第一区域和第二区域,所述第一区域表征所述目标图像中需要涂胶的位置形成的区域,所述第二区域表征所述目标图像中除所述第一区域外,其它允许涂胶的位置形成的区域;
根据所述预测位置信息确定所述涂胶区域对所述第一区域的第一覆盖情况,以及所述涂胶区域对所述第二区域的第二覆盖情况;
若所述第一覆盖情况表征所述第一区域被完全覆盖,并且所述第二覆盖情况表征所述第二区域被完全覆盖,则判定不存在涂胶缺陷;
若所述第一覆盖情况表征所述第一区域被部分覆盖,则判定存在一类缺陷;
若所述第一覆盖情况表征所述第一区域被完全覆盖,并且所述第二覆盖情况表征所述第二区域被部分覆盖,则判定存在二类缺陷;
所述根据所述预测位置信息和标准位置信息,得到涂胶缺陷检测结果,还包括:根据所述标准位置信息,确定所述涂胶区域的目标数量;根据所述预测位置信息,确定所述涂胶区域的预测数量;若所述预测数量大于所述目标数量,判定存在断胶缺陷;
若所述预测位置信息表征存在第一对象,则判定存在过细缺陷,所述第一对象的最小宽度小于第一阈值;
若所述预测位置信息表征存在第二对象,则判定存在孔胶缺陷,所述第二对象的外轮廓与圆形的相似度高于第二阈值;
其中,所述第一阈值和所述第二阈值基于所述标准位置信息确定。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-10中任意一项所述的一种涂胶缺陷检测方法。
13.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-10中任意一项所述的一种涂胶缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110712626.5A CN113344901B (zh) | 2021-06-25 | 2021-06-25 | 涂胶缺陷检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110712626.5A CN113344901B (zh) | 2021-06-25 | 2021-06-25 | 涂胶缺陷检测方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344901A CN113344901A (zh) | 2021-09-03 |
CN113344901B true CN113344901B (zh) | 2023-08-01 |
Family
ID=77478812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110712626.5A Active CN113344901B (zh) | 2021-06-25 | 2021-06-25 | 涂胶缺陷检测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344901B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187270A (zh) * | 2021-12-13 | 2022-03-15 | 苏州清翼光电科技有限公司 | 基于ccd的矿用本安型控制器涂胶质量检测方法及*** |
CN114399490B (zh) * | 2022-01-13 | 2023-03-31 | 如你所视(北京)科技有限公司 | 建筑物涂刷质量检测方法和装置、计算机可读存储介质 |
CN114494241B (zh) * | 2022-02-18 | 2023-05-26 | 工游记工业科技(深圳)有限公司 | 胶路缺陷检测方法、装置及设备 |
CN114202543B (zh) * | 2022-02-18 | 2022-04-26 | 成都数之联科技股份有限公司 | Pcb板脏污缺陷检测方法、装置、设备及介质 |
CN114782406A (zh) * | 2022-05-21 | 2022-07-22 | 上海贝特威自动化科技有限公司 | 一种基于resnext50深度分割网络的汽车涂胶视觉检测方法 |
CN114648533B (zh) * | 2022-05-23 | 2022-10-04 | 深圳市元硕自动化科技有限公司 | 凹凸面涂胶效果的检测方法、装置、设备及存储介质 |
CN115338091B (zh) * | 2022-08-04 | 2024-01-19 | 杭州杰牌传动科技有限公司 | 一种5g应用下的高速图像传输与分析*** |
CN115358981A (zh) * | 2022-08-16 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 胶水缺陷的确定方法、装置、设备及存储介质 |
CN115661040B (zh) * | 2022-09-28 | 2023-07-14 | 广州市易鸿智能装备有限公司 | 一种锂电池电芯涂胶的检测方法及装置、电子设备 |
JP2024093685A (ja) * | 2022-12-27 | 2024-07-09 | 株式会社レゾナック | 評価システム、評価方法、および評価プログラム |
CN116046790B (zh) * | 2023-01-31 | 2023-10-27 | 北京百度网讯科技有限公司 | 缺陷检测方法、装置、***、电子设备以及存储介质 |
CN118071744B (zh) * | 2024-04-19 | 2024-07-23 | 江南数控机床有限公司 | 一种基于图像检测的复合机智能涂胶方法、设备及介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359915B (zh) * | 2014-12-08 | 2017-05-10 | 合肥京东方光电科技有限公司 | 一种涂胶检测方法及涂胶检测装置 |
JP6273594B1 (ja) * | 2017-05-12 | 2018-02-07 | 三菱重工機械システム株式会社 | 段ボールシートの不良検出装置及び段ボールシートの不良除去装置並びに段ボールシートの製造装置 |
CN108335305B (zh) * | 2018-02-09 | 2020-10-30 | 北京市商汤科技开发有限公司 | 图像分割方法和装置、电子设备、程序和介质 |
CN111882557B (zh) * | 2020-09-28 | 2021-01-05 | 成都睿沿科技有限公司 | 一种焊接缺陷检测方法、装置、电子设备及存储介质 |
CN112288727A (zh) * | 2020-10-30 | 2021-01-29 | 创新奇智(重庆)科技有限公司 | 磁环表面缺陷检测方法、装置、电子设备及存储介质 |
CN112461846B (zh) * | 2020-11-26 | 2024-02-23 | 常州微亿智造科技有限公司 | 工件缺陷检测方法及装置 |
CN112489037B (zh) * | 2020-12-15 | 2024-07-02 | 科大讯飞华南人工智能研究院(广州)有限公司 | 缺陷检测及相关模型的训练方法、电子设备和存储装置 |
-
2021
- 2021-06-25 CN CN202110712626.5A patent/CN113344901B/zh active Active
Non-Patent Citations (2)
Title |
---|
Detecting Pinholes in Coatings with Hyperspectral Imaging;J. L. Garrett et al.;《 2021 11th Workshop on Hyperspectral Imaging and Signal Processing: Evolution in Remote Sensing 》;全文 * |
一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究;代小红 等;表面技术(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344901A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344901B (zh) | 涂胶缺陷检测方法、装置、存储介质及电子设备 | |
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN110889469B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
WO2023087741A1 (zh) | 缺陷检测方法及装置、电子设备、存储介质及计算机程序产品 | |
CN106228556B (zh) | 图像质量分析方法和装置 | |
CN111553864B (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN110633700B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN104239879B (zh) | 分割字符的方法及装置 | |
CN105427233A (zh) | 去除水印的方法及装置 | |
CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN110990801B (zh) | 信息校验方法及装置、电子设备和存储介质 | |
CN112184635A (zh) | 目标检测方法、装置、存储介质及设备 | |
CN104077597B (zh) | 图像分类方法及装置 | |
CN111476057B (zh) | 车道线获取方法及装置、车辆驾驶方法及装置 | |
CN105528765A (zh) | 处理图像的方法及装置 | |
CN110619325B (zh) | 一种文本识别方法及装置 | |
CN114066858A (zh) | 模型训练方法及装置、电子设备和存储介质 | |
CN115909127A (zh) | 异常视频识别模型的训练方法、异常视频识别方法和装置 | |
CN107845094A (zh) | 图像文字检测方法、装置及计算机可读存储介质 | |
CN113052874B (zh) | 目标跟踪方法及装置、电子设备和存储介质 | |
CN112381858B (zh) | 目标检测方法、装置、存储介质及设备 | |
CN114066856A (zh) | 模型训练方法及装置、电子设备和存储介质 | |
CN111428806B (zh) | 图像标签确定方法、装置、电子设备及存储介质 | |
CN112381091A (zh) | 视频内容识别方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |